در این مطالعه طراحی یک سیستم قابل اعتماد که قادر به شناسایی احساسات مختلف با دقت مطلوب باشد، مورد توجه قرار گرفته است. برای رسیدن به این هدف، دو ساختار برای سیستم تشخیص احساسات شامل 1) ویژگی‌های خطی و غیرخطی سیگنال الکتروانسفالوگرام (EEG) به همراه طبقه‌بندهای رایج و 2) سیگنال EEG در یک ساختار یادگیری عمیق مدنظر قرار گرفته‌است. برای طراحی سیستم، سیگنال‌های EEG پایگاه داده DEAP که از ۳۲ نفر با نمایش ویدیوهای احساسی ثبت شده‌اند، مورد استفاده قرارگرفتند. پس از آماده‌سازی و حذف نویز، ویژگی‌های سیگنال شامل چولگی، کشیدگی، پارامترهای جورث، نمای لیاپانف‌، آنتروپی شانون، بعد همبستگی، بعد فرکتال و برگشت‌پذیری زمان از زیرباندهای آلفا، بتا و گاما استخراج شدند. سپس با توجه به ساختار یک، ویژگی‌های تعیین شده به‌عنوان ورودی به طبقه‌بندهای رایج مانند درخت تصمیم (DT)، k نزدیک‌ترین همسایه (kNN) و ماشین بردار پشتیبان (SVM) اعمال شدند. همچنین مطابق با ساختار دو، سیگنال EEG به‌عنوان ورودی شبکه عصبی کانولوشنی (CNN) درنظر گرفته شد. هدف ارزیابی نتایج شبکه‌های آموزش عمیق و سایر روش‌ها برای تشخیص احساسات است. با توجه به نتایج کسب شده، SVM با دقت 1/94 درصد بهترین عملکرد را برای شناسایی چهار حالت احساسی به‌‌دست آورد. همچنین CNN پیشنهادی، با دقت 86 درصد حالت‌های موردنظر را شناسایی کرد. روش‌های یادگیری عمیق به‌‌دلیل این‌که به تعیین ویژگی برای سیگنال‌ها نیاز ندارند و در برابر نویزهای مختلف مقاومند، نسبت به طبقه‌بندهای ساده برتری دارند. پرونده مقاله